基于模糊聚类分析的彩色图象分割算法的研究

论文摘要

在对基于模糊聚类分析的图象分割方法的现状和存在问题的深入分析和研究的基础上,提出了一套在边缘信息指导下的模糊聚类的图象分割方法EFCM（Edge-based Fuzzy C-means Clustering）。该方法利用简易且敏感的边缘算子,对图象进行边缘检测,得到图象中所有边缘信息;采用改进的FCM（Fuzzy C-means Clustering）算法作为分割基础,完成图象的粗分割;以粗分割的区域数作为模糊聚类的类别数、粗分割的各区域中心作为初始聚类中心,提出对非边缘部分做模糊聚类,减少聚类迭代的次数,也减小聚类迭代陷入局部极值的可能性。对于彩色图象的分割,讨论了聚类用的颜色空间的选取,确定YUV颜色空间作为EFCM算法分割彩色图象的颜色空间,以及针对YUV颜色空间的基于亮度和色差的Sobel边缘检测算子。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 模糊聚类分割的原因
• 1.2 FCM 算法的图象分割研究综述
• 1.2.1 图象分割面临的问题
• 1.2.2 图象的模糊 C-均值聚类分割的应用和发展
• 1.3 图象分割的原理
• 1.4 本文研究目标和主要研究内容
• 1.5 本文的组织结构
• 2 彩色图象分割的研究
• 2.1 引言
• 2.2 彩色空间的表示
• 2.2.1 色彩模型
• 2.2.2 彩色坐标变换
• 2.2.3 线性彩色空间和非线性彩色空间的比较
• 2.3 彩色图象分割的方法
• 2.3.1 直方图阈值法
• 2.3.2 色彩空间聚类
• 2.3.3 基于区域的分割方法
• 2.3.4 边缘检测的分割方法
• 2.3.5 基于模糊集理论的方法
• 2.3.6 基于神经网络的方法
• 2.4 本章小结
• 3 模糊聚类（FCM）算法及其改进算法
• 3.1 引言
• 3.1.1 数据集 X 的 C-划分
• 3.1.2 硬 C-均值聚类算法
• 3.1.3 模糊 C 均值聚类算法
• 3.2 FCM 算法
• 3.2.1 标准的 FCM 算法
• 3.2.2 加权 FCM 算法
• 3.2.3 带有惩罚项的 FCM 算法
• 3.2.4 全局 FCM 算法
• 3.2.5 快速全局 FCM 聚类算法
• 3.3 本章小结
• 4 基于改进的 FCM 算法的彩色图象分割
• 4.1 引言
• 4.2 基于 FCM 聚类的图象分割算法的描述
• 4.2.1 图象的二维灰度特征空间
• 4.2.2 基于 FCM 聚类的图象分割算法
• 4.3 改进的 FCM 聚类算法
• 4.3.1 EFCM 图象分割算法
• 4.3.2 EFCM 分割算法参数的初始化
• 4.4 灰度图象中的 EFCM 分割算法
• 4.4.1 灰度图象的去噪处理
• 4.4.2 灰度图象的边缘检测
• 4.4.3 EFCM 聚类迭代
• 4.4.4 灰度图象分割算法对比
• 4.5 彩色图象的 EFCM 分割算法
• 4.5.1 彩色空间的选择
• 4.5.2 彩色图象的边缘检测
• 4.5.3 彩色图象的 EFCM 分割
• 4.5.4 彩色图象分割算法的对比
• 4.6 本章小结
• 5 总结与展望
• 5.1 创新点和主要工作
• 5.2 今后的研究工作
• 攻读硕士学位期间发表的学术论文
• 致谢
• 参考文献